私が「G検定」を、受けた際の見直し観点を備忘としてメモする。
公平性（Fairness）
機械学習モデルが特定のグループや個人に対して偏りなく、公平に機能することを指します。モデルのバイアスを検出し、修正することで、公平性を確保します。
次元圧縮（Dimensionality Reduction）
高次元データを低次元に変換し、データの本質的な特徴を保持しつつ、計算効率を向上させる手法です。主成分分析（PCA）やt-SNEなどが代表的な手法です。
BERTの事前学習（Pre-training）
BERTは、大量のテキストデータを用いて、マスク化言語モデル（MLM : Masked Language Model）と次文予測（Next Sentence Prediction）のタスクで事前学習されます。これにより、文脈を理解する能力を獲得します。
ゼロショット学習（Zero-shot Learning）
学習時に見たことのないクラスやタスクに対しても、既存の知識を活用して対応する能力を指します。例えば、BERTのようなモデルは、事前学習で得た知識を活用して、新しいタスクにも適応できます。
IBM
Colaboratory（Colab）
Googleが提供するクラウド上のJupyterノートブック環境で、Pythonコードの実行や機械学習モデルの開発・実験が可能です。
RLHF（Reinforcement Learning from Human Feedback）
人間からのフィードバックを活用して、強化学習エージェントの行動を最適化する手法です。これにより、エージェントの意思決定が人間の期待に沿うように調整されます。
SGD（Stochastic Gradient Descent）
機械学習モデルの最適化手法の一つで、ランダムに選ばれたデータサンプルを用いて勾配を計算し、モデルのパラメータを更新します。計算効率が高く、大規模データセットにも適しています。
NeRF（Neural Radiance Fields）
ニューラルネットワークを用いて、3Dシーンの視覚的表現を生成する手法です。異なる視点からの2D画像を入力として、3D構造を再構築します。
AdaBoost（Adaptive Boosting）
複数の弱い学習器（精度の低いモデル）を組み合わせて、高精度な予測を行うアンサンブル学習手法です。各学習器の誤分類に重点を置いて次の学習器を訓練し、全体の性能を向上させます。
バッチ正規化（Batch Normalization）
ニューラルネットワークの各層において、ミニバッチごとに入力を正規化する手法です。これにより、学習の安定性が向上し、収束が速くなります。
ドメインランダマイゼーション（Domain Randomization）
シミュレーション環境で、環境のパラメータをランダムに変化させることで、モデルの汎化性能を高める手法です。これにより、実世界での予測精度が向上します。
トリプレット損失（Triplet Loss）
アンカー、ポジティブ、ネガティブの3つのサンプル間の距離関係を学習する損失関数です。アンカーとポジティブの距離を縮め、アンカーとネガティブの距離を広げることで、効果的な埋め込み空間を構築します。
F値（F-measure）
分類モデルの性能評価指標で、精度（Precision）と再現率（Recall）の調和平均を取ったものです。モデルのバランスの良さを評価する際に用いられます。
VAE（Variational Autoencoder）
生成モデルの一種で、データの潜在変数を確率的にモデル化し、新しいデータの生成やデータの圧縮に利用されます。
コントラスト損失（Contrastive Loss）
類似したサンプル間の距離を縮め、異なるサンプル間の距離を広げることで、効果的な特徴表現を学習する損失関数です。
CLIP（Contrastive Language-Image Pre-Training）
OpenAIが開発したモデルで、画像と言語のペアを用いて事前学習を行い、ゼロショットでの画像分類や画像検索など、多様なタスクに対応可能です。